本发明涉及航空电子设备领域，具体而言，涉及一种面向分布式协同的航空电子故障知识融合方法。
背景技术：
1、一方面，航空电子信息装备故障知识种类和来源较多，包括fmea、故障案例、故障树等不同种类的故障知识，各类故障知识由不同人员构建，不同来源的故障知识在具体的文本描述、故障实体关系构建方面会存在差异，知识存在冲突；另一方面，同一来源，不同时间线上的故障知识也存在融合问题。故障知识库随着时间积累不断更新，新旧故障知识也会存在冲突。为了融合冲突知识，提高航空电子信息装备知识模型构建的准确性、可靠性、完整性，提出了一种面向分布式协同的航空电子故障知识融合方法。
技术实现思路
1、本发明旨在提供一种面向分布式协同的航空电子故障知识融合方法，以解决故障知识模型的初次构建以及已有故障知识模型的扩充过程中的知识冲突问题，提高航空电子信息装备知识模型构建的准确性、可靠性、完整性。
2、本发明提供的一种面向分布式协同的航空电子故障知识融合方法，包括以下步骤：
3、s1，获取航空电子装备多源故障知识数据，对获取的航空电子装备多源故障知识数据进行分析处理与筛选；
4、s2，针对不同时间线上知识冲突问题，基于属性相似度综合计算加工故障知识，完成故障知识融合；
5、s3，针对不同来源的故障知识冲突问题，通过故障元标注与识别的方式，完成故障知识融合；
6、s4，构建故障知识图谱，存储融合后的故障知识。
7、进一步的，步骤s1中，选取航空电子装备的fmea、fta和故障案例作为航空电子装备多源故障知识数据。
8、进一步的，步骤s1包括：
9、分析故障知识数据含义，筛选可用于构建故障知识模型的表头作为实体类型，并构建实体关系，为故障知识信息读取提供支持；
10、进行故障知识数据属性选择时，根据专家知识综合考虑故障知识各数据属性含义及属性之间的关联关系，从中选取能够有效表征故障知识的属性，以此作为实体类型；
11、将每一条fmea、fta和故障案例分别读取成一组实体，进而根据该组实体对应实体类型之间的关联关系将该组实体转换为多个实体对，结合实体对中实体的关系，构建故障知识三元组。
12、进一步的，所述实体类型包括：故障模式、型号、系统、成套设备、整件、部件、案例名称、故障型号、故障整机或单元、故障现象、诊断过程、维修措施、故障原因、故障检测方法、本级影响、高一层次影响、最终影响、改进措施、使用补偿措施、故障树名称、测试项名称和监测点。
13、进一步的，步骤s2中，采用余弦相似度分别计算每条fmea、fta和故障案例的各个属性相似度；然后使用加权平均法，计算两条数据之间的整体相似度，将之与确定好的共指消解阈值进行比较，判别为两条数据为同一实体后，将数据合并储存，即完成故障知识融合。
14、进一步的，步骤s3包括：
15、通过将fmea、fta、故障案例中的故障模式、故障现象两种实体进一步进行知识抽取，并通过智能标注软件完成故障元及其别称库的构建；
16、基于自然语言领域的句段分词方法构建故障元别称自动抽取算法，从故障现象文字中提取可能是故障元别称的文字描述；
17、基于文字相似度匹配的方法开展故障描述中的故障元别称描述与已有故障元别称的模糊匹配；
18、基于在故障元构建过程中建立好的故障元别称—故障元—故障模式映射关系，实现将不同来源的故障知识映射到同一种故障模式。
19、进一步的，故障元及其别称库的构建步骤包括：
20、建立航空综合电子信息装备故障元表征体系；故障元指的是从故障现象和故障模式的知识中，依据专家经验整理、梳理出凝练化表征故障的关键词；故障元的类别包括部件单元、性能表征和故障状态。通过专家知识整理形成故障元库，利用故障元智能标注软件人工建立故障元—故障元别称之间的关系，再通过智能识别和人工标注结合的方式，完成故障元—故障元别称基础库的构建。
21、进一步的，故障元别称自动抽取步骤包括：
22、依据第三方库已有的开源自然语言统计词典，构建统计词典中词的前缀词典；
23、然后，依据前缀词典对输入的句子进行有向无环图的构造；接着使用动态规划的方法在有向无环图上找到一条概率最大路径，依据此路径进行分词；
24、最后，对于未收录词，基于隐马尔可夫模型，用维特比算法找出最可能出现的隐状态序列，找出所有可能是故障元别称的词序列。
25、进一步的，故障元模糊匹配的步骤包括：
26、基于最长公共子序列的方法，计算提取的所有可能的故障元别称与故障元别称库中所有故障元别称的文字相似度；
27、设定相似性度量阈值，以相似度大于所述相似性度量阈值的提取故障元别称—已有故障元别称对作为匹配对，实现故障元别称的模糊匹配。
28、进一步的，步骤s4包括：
29、对于抽取、加工后的知识，综合阈值比对结果对存在冲突的实体条目进行清理或合并储存操作，并将其转换为rdf格式数据，实现知识统一表达；基于neo4j构建航空综合电子信息装备故障知识图谱，先构建实体以及实体与实体之间的关系，再通过属性作为实体内在特征的描述，最终完成多模态航空故障知识融合。
30、综上所述，由于采用了上述技术方案，本发明的有益效果是：
31、1、本发明通过不同来源或者不同时间线上航空电子装备故障知识进行深度融合，消除知识之间的冲突，保证在知识库扩充过程中知识表达的准确性、可靠性和完整性，进而达到保障装备故障定位和维护修理的效率，对航空电子装备运维过程具有重要的意义和价值。
32、2、本发明的上述面向分布式协同的航空电子故障知识融合方法可以应用于多个领域。
1.一种面向分布式协同的航空电子故障知识融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤s1中，选取航空电子装备的fmea、fta和故障案例作为航空电子装备多源故障知识数据。
3.根据权利要求2所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤s1包括：
4.根据权利要求3所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，所述实体类型包括：故障模式、型号、系统、成套设备、整件、部件、案例名称、故障型号、故障整机或单元、故障现象、诊断过程、维修措施、故障原因、故障检测方法、本级影响、高一层次影响、最终影响、改进措施、使用补偿措施、故障树名称、测试项名称和监测点。
5.根据权利要求4所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤s2中，采用余弦相似度分别计算每条fmea、fta和故障案例的各个属性相似度；然后使用加权平均法，计算两条数据之间的整体相似度，将之与确定好的共指消解阈值进行比较，判别为两条数据为同一实体后，将数据合并储存，即完成故障知识融合。
6.根据权利要求4所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤s3包括：
7.根据权利要求6所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，故障元及其别称库的构建步骤包括：
8.根据权利要求6所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，故障元别称自动抽取步骤包括：
9.根据权利要求6所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，故障元模糊匹配的步骤包括：
10.根据权利要求1所述的面向分布式协同的航空电子故障知识融合方法，其特征在于，步骤s4包括：
